带噪标签下的细粒度分类
计算机视觉与模式识别
2023-03-07 v1
摘要
带噪标签学习(LNL)旨在给定标签损坏的训练集时确保模型泛化能力。本文研究了一个极少被探讨的细粒度数据集上的LNL场景(LNL-FG),该场景更为实际且具挑战性,因为细粒度类间较大的模糊性会导致更多噪声标签。我们通过实验表明,在LNL上表现良好的现有方法在LNL-FG上无法取得令人满意的性能,这引发了针对LNL-FG有效方案的切实需求。为此,我们提出了一种称为随机耐噪监督对比学习(SNSCL)的新框架,通过鼓励可区分的表示来应对标签噪声。具体而言,我们设计了一种耐噪监督对比学习损失,其结合了用于噪声标签纠正的权重感知机制和选择性更新动量队列列表。通过该机制,我们减轻了噪声锚点的影响,并避免将噪声标签插入动量更新队列。此外,为避免对比学习中手动定义的增强策略,我们提出了一种高效的随机模块,从生成分布中采样特征嵌入,这也能增强深度模型的表示能力。SNSCL具有通用性,可与主流鲁棒LNL策略兼容以提升其在LNL-FG上的性能。大量实验证明了SNSCL的有效性。
引用
@article{arxiv.2303.02404,
title = {Fine-Grained Classification with Noisy Labels},
author = {Qi Wei and Lei Feng and Haoliang Sun and Ren Wang and Chenhui Guo and Yilong Yin},
journal= {arXiv preprint arXiv:2303.02404},
year = {2023}
}
备注
Accepted to CVPR 2023